bulbea

"基于深度学习的用于股票市场预测和建模的 Python 库。"

目录

• 安装
• 使用
• 文档
• 依赖项
• 许可证

安装

克隆 Git 仓库：

$ git clone https://github.com/achillesrasquinha/bulbea.git && cd bulbea

安装必要的依赖项：

$ pip install -r requirements.txt

然后按照以下步骤进行安装：

$ python setup.py install

你可能还需要安装 TensorFlow：

$ pip install tensorflow     # CPU
$ pip install tensorflow-gpu # GPU - 需要 CUDA 和 CuDNN

使用

1. 预测

a. 加载

创建一个股票对象。

>>> import bulbea as bb
>>> share = bb.Share('YAHOO', 'GOOGL')
>>> share.data
# Open        High         Low       Close      Volume  \
# Date                                                                     
# 2004-08-19   99.999999  104.059999   95.959998  100.339998  44659000.0   
# 2004-08-20  101.010005  109.079998  100.500002  108.310002  22834300.0   
# 2004-08-23  110.750003  113.479998  109.049999  109.399998  18256100.0   
# 2004-08-24  111.239999  111.599998  103.570003  104.870002  15247300.0   
# 2004-08-25  104.960000  108.000002  103.880003  106.000005   9188600.0
...

b. 数据预处理

将数据集拆分为训练集和测试集。

>>> from bulbea.learn.evaluation import split
>>> Xtrain, Xtest, ytrain, ytest = split(share, 'Close', normalize = True)

c. 建模

>>> import numpy as np
>>> Xtrain = np.reshape(Xtrain, (Xtrain.shape[0], Xtrain.shape[1], 1))
>>> Xtest  = np.reshape( Xtest, ( Xtest.shape[0],  Xtest.shape[1], 1))

>>> from bulbea.learn.models import RNN
>>> rnn = RNN([1, 100, 100, 1]) # 每层的神经元数量
>>> rnn.fit(Xtrain, ytrain)
# Epoch 1/10
# 1877/1877 [==============================] - 6s - loss: 0.0039
# Epoch 2/10
# 1877/1877 [==============================] - 6s - loss: 0.0019
...

d. 测试

>>> from sklearn.metrics import mean_squared_error
>>> p = rnn.predict(Xtest)
>>> mean_squared_error(ytest, p)
0.00042927869370525931
>>> import matplotlib.pyplot as pplt
>>> pplt.plot(ytest)
>>> pplt.plot(p)
>>> pplt.show()

2. 情感分析

将你的 Twitter 凭证添加到环境变量中。

export BULBEA_TWITTER_API_KEY="<YOUR_TWITTER_API_KEY>"
export BULBEA_TWITTER_API_SECRET="<YOUR_TWITTER_API_SECRET>"

export BULBEA_TWITTER_ACCESS_TOKEN="<YOUR_TWITTER_ACCESS_TOKEN>"
export BULBEA_TWITTER_ACCESS_TOKEN_SECRET="<YOUR_TWITTER_ACCESS_TOKEN_SECRET>"

然后：

>>> bb.sentiment(share)
0.07580128205128206

文档

详细的文档可以在 这里 查看。

参考文献

1. quandl
2. keras
3. tweepy
4. textblob

许可证

本代码已根据 Apache 2.0 许可证 发布。

Bulbea 快速上手指南

Bulbea 是一个基于深度学习的 Python 库，专为股票市场预测和建模设计。它支持从数据获取、预处理、模型训练到情感分析的全流程。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：建议 Python 3.6+
• 前置依赖：
  • pip (Python 包管理工具)
  • git (版本控制工具)
  • 深度学习后端：需安装 TensorFlow。
    • CPU 版本：pip install tensorflow
    • GPU 版本（需配置 CUDA 和 CuDNN）：pip install tensorflow-gpu

提示：国内用户建议使用清华源或阿里源加速 pip 安装，例如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <包名>。

安装步骤

请依次执行以下命令完成安装：

1. 克隆仓库

   $ git clone https://github.com/achillesrasquinha/bulbea.git && cd bulbea
   

2. 安装项目依赖

   $ pip install -r requirements.txt
   

3. 安装 Bulbea 库

   $ python setup.py install
   

4. 安装 TensorFlow (如未安装) 根据您的硬件环境选择其一：

   $ pip install tensorflow     # CPU 版本
   # 或
   $ pip install tensorflow-gpu # GPU 版本
   

基本使用

以下示例演示如何加载谷歌（GOOGL）股票数据，构建一个简单的 RNN 模型进行收盘价预测。

1. 数据加载与预处理

>>> import bulbea as bb
>>> from bulbea.learn.evaluation import split
>>> import numpy as np

# 创建股票对象并加载数据 (来源：YAHOO, 代码：GOOGL)
>>> share = bb.Share('YAHOO', 'GOOGL')
>>> share.data
# 输出包含 Open, High, Low, Close, Volume 等列的 DataFrame

# 划分训练集和测试集，并对 'Close' (收盘价) 进行归一化
>>> Xtrain, Xtest, ytrain, ytest = split(share, 'Close', normalize=True)

# 重塑数据维度以适配 RNN 输入 (samples, time_steps, features)
>>> Xtrain = np.reshape(Xtrain, (Xtrain.shape[0], Xtrain.shape[1], 1))
>>> Xtest  = np.reshape(Xtest, (Xtest.shape[0], Xtest.shape[1], 1))

2. 模型构建与训练

>>> from bulbea.learn.models import RNN

# 初始化 RNN 模型，定义每层神经元数量 [输入层，隐藏层 1, 隐藏层 2, 输出层]
>>> rnn = RNN([1, 100, 100, 1])

# 训练模型
>>> rnn.fit(Xtrain, ytrain)
# Epoch 1/10
# 1877/1877 [==============================] - 6s - loss: 0.0039
# ...

3. 预测与评估

>>> from sklearn.metrics import mean_squared_error
>>> import matplotlib.pyplot as pplt

# 进行预测
>>> p = rnn.predict(Xtest)

# 计算均方误差
>>> mean_squared_error(ytest, p)
0.00042927869370525931

# 可视化结果
>>> pplt.plot(ytest)
>>> pplt.plot(p)
>>> pplt.show()

进阶：情感分析 (可选)

若需结合 Twitter 舆情分析，需先配置环境变量：

export BULBEA_TWITTER_API_KEY="<YOUR_TWITTER_API_KEY>"
export BULBEA_TWITTER_API_SECRET="<YOUR_TWITTER_API_SECRET>"
export BULBEA_TWITTER_ACCESS_TOKEN="<YOUR_TWITTER_ACCESS_TOKEN>"
export BULBEA_TWITTER_ACCESS_TOKEN_SECRET="<YOUR_TWITTER_ACCESS_TOKEN_SECRET>"

然后在 Python 中调用：

>>> bb.sentiment(share)
0.07580128205128206